Zoneout + Variational LSTM (WT2)
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- MetaMind Inc,Salesforce
- Tipo de Organización
- Industry,Industry
- País
- United States of America
- Publicado
- 26 September 2016
- Autores
- Stephen Merity, Caiming Xiong, James Bradbury, Richard Socher
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Language modeling
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 21M
- Datos de entrenamiento
- 2,000,000 tokens
- Épocas
- 64
21M (Table 3)
"We also halve the learning rate when validation perplexity is worse than the previous iteration, stopping training when validation perplexity fails to improve for three epochs or when 64 epochs are reached"
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 1.6 × 10¹⁶ FLOP
- Cómo se estableció
- Operation counting
6 FLOP / parameter / token * 21000000 parameters * 2000000 tokens * 64 epochs = 1.6128e+16 FLOP
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA Tesla K80
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Confident
- Citas
- 4,010
- Datos de referencia
- Zoneout + Variational LSTM (WT2)
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Pointer Sentinel Mixture Models
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
Zoneout + Variational LSTM (WT2) fue publicado por MetaMind Inc,Salesforce, en el país registrado como United States of America, durante September 2016. La organización editora está clasificada como industry,Industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
Entrenarlo tomó un presupuesto de computación de aproximadamente 1.6 × 10¹⁶ FLOP, en hardware registrado como NVIDIA Tesla K80. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 2,000,000 tokens de texto
Respuestas
Zoneout + Variational LSTM (WT2) — preguntas comunes
Zoneout + Variational LSTM (WT2)— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
Zoneout + Variational LSTM (WT2)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Zoneout + Variational LSTM (WT2)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 21M. 21M (Table 3). Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
Zoneout + Variational LSTM (WT2)— ¿Quién lo creó?
Fue publicado por MetaMind Inc,Salesforce, basado en United States of America, una organización categorizada como industry,Industry.
Zoneout + Variational LSTM (WT2)— ¿cuándo fue lanzado?
Se publicó en September 2016. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
Zoneout + Variational LSTM (WT2)— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Zoneout + Variational LSTM (WT2)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.6 × 10¹⁶ FLOP, en hardware registrado como NVIDIA Tesla K80. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.